node-crawler 添加 promise 支援

背景

最近在組内做一些爬蟲相關的工作，本來想自己簡單造個輪子的，但是經網友推薦後，采用了node-crawler，用了一段時間過後，确實滿足了我的絕大部分需求，但是其 api 卻不支援

promise

，而且我還需要一些同步爬取、同步處理的能力，如果不用 promise 的話，寫法很不優雅，是以我就簡單地給其封裝了一層

promise api

現狀

目前 node-crawler 的使用方式不支援

promise

，這裡直接給出 npm 上的使用例子

const Crawler = require("crawler")

// 執行個體化
const c = new Crawler({
    // ... 可以傳入一些配置
    callback : function (error, res, done) {
        // 請求回調，執行個體化的時候傳入的 callback 是作為預設 callback 的，後續每次抓取如果沒有傳入 callback，那麼都會調用預設 callback
        done();
    }
})

// 爬取
c.queue([{
    uri: 'http://parishackers.org/',
    jQuery: false,
 
    // The global callback won't be called
    callback: function (error, res, done) {
        if(error){
            console.log(error);
        }else{
            console.log('Grabbed', res.body.length, 'bytes');
        }
        done();
    }
}])
           

這樣的回調方式對于多爬蟲同步爬取很不友好

改造

理想使用方式：

const Crawler = require('crawler')

const c = new Crawler({
    // 一些預設配置
})

c
.queue({
    uri: 'xxx'
})
.then(res => {
    // 抓取成功
})
.catch(err => {
    // 抓取失敗
})
           

改造方案：

// utils/crawler.js
const Crawler = require('crawler')
const defaultOptions = {
  jQuery: false,
  rateLimit: fetchRateLimit,
  retries: 0,
  timeout: fetchTimeout,
}

module.exports = class PromiseifyCrawler extends Crawler {
    // namespace 是為了後續抓取結果統一上報時候進行區分
    constructor(namespace = 'unknow', options = {}) {
      if (typeof namespace === 'object') {
        options = namespace
        namespace = 'unknow'
      }
      
      options = merge({}, defaultOptions, options)

      const cb = options.callback
      options.callback = (err, res, done) => {
        typeof cb === 'function' && cb(err, res, noop)
        process.nextTick(done)
        // 在這裡可以自定義抓取成功還是失敗
        // 我這裡直接設定的是如果 http code 不是 200 就視為錯誤
        // 而且在這裡也可以做一些抓取成功失敗的統計
        if (err || res.statusCode !== 200) {
          if (!err) err = new Error(`${res.statusCode}-${res.statusMessage}`)
          err.options = res.options
          err.options.npolisReject(err)
        } else {
          res.options.npolisResolve(res)
        }
      }
      options.headers = Object.assign({}, options.headers, {
        'X-Requested-With': 'XMLHttpRequest',
      })
      super(options)
    }
  
    queue(options = {}) {
      // 每次抓取都是一個新的 promise
      return new Promise((resolve, reject) => {
        // 然後在 options 裡挂載上 resolve 和 reject
        // 這樣在全局 callback 上就可以用到了
        options.npolisResolve = resolve
        options.npolisReject = reject

        const pr = options.preRequest
        options.preRequest = (options, done) => {
          typeof pr === 'function' && pr(options, noop)
          // 在這裡也可以做一些通用的抓取前的處理
          
          done()
        }

        super.queue(options)
      })
    }
    
    // direct api 同理
  }
           

// 使用
const Crawler = require('./utils/crawler')

const crawler = new Crawler('示例爬蟲 namespace')

crawler
.queue({
  uri: 'xxx',
  preRequest: options => log('開始抓取'),
})
.then(res => {
  log('爬取成功')
  return res
})
.catch(err => {
  log('爬取失敗')
  throw err
})
           

promise

化後，多個爬取任務同步爬取寫法就友好多了：

// 抓取任務1
const fetchTask1 = () => crawler.queue({/* 配置 */}).then(res => handle(res))
// 抓取任務2
const fetchTask2 = () => crawler.queue({/* 配置 */}).then(res => handle(res))

const fetch = () => {
    return Promise.all([
        fetchTask1(),
        fetchTask2(),
    ])
}

fetch()
           

這樣就完成了對 node-crawler 的

promise

化改造了